1.tensorflow的数据流图限制了它的tensor是只读属性,因此对于一个Tensor(张量)形式的矩阵,想修改特定位置的元素,比较困难。
2.我要做的是将所有的操作定义为符号形式的操作。也就是抽象概念的数据流图。当用feed_dict传入具体值以后,就能用sess.run读出具体值。
一、相关内容
https://blog.csdn.net/Cerisier/article/details/79584851
Tensorflow小技巧整理:修改张量特定元素的值
二、修改矩阵的某一列
代码:
#-*- coding: utf-8 -*-
"""Created on Sat Dec 1 16:53:26 2018
@author: a"""
importtensorflow as tf
x= tf.placeholder(tf.float32, shape=(2, 2), name="input")
xx=tf.zeros([2,3],tf.float32)
xx2=tf.concat([x,xx],axis=1)
columnTensor=tf.ones([2,1],tf.float32)print(xx2)
w1= tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1),trainable=False)
w2= tf.Variable(xx2,trainable=False)#编写程序修改Tensor矩阵的某一列
embed_size=300max_sentence_length=50max_node_size=max_sentence_length*2-1#训练语料库句子节点的最大长度。注意,是句子节点的最大长度。不是句子单词的最大数目。#test=tf.Variable(name="test",trainable=False,dtype=tf.float64,shape=[embed_size,max_node_size])
def modify_one_column(tensor,columnTensor,index):#index也是tensor#tensor为二维矩阵#columnTensor的维度就是tensor中的一列
numlines=tensor.shape[0].value #行数
numcolunms=tensor.shape[1].value #列数
new_tensor_left=tf.slice(tensor, [0, 0], [numlines, index])
new_tensor_right=tf.slice(tensor, [0, index+1], [numlines, numcolunms-(index+1)])
new_tensor=tf.concat([new_tensor_left,columnTensor,new_tensor_right],1)returnnew_tensor_left,new_tensor_right,new_tensor#def f1():#index为0的情形#new_tensor_right=tf.slice(tensor, [0, 1], [numlines, numcolunms-1])#new_tensor=tf.concat([columnTensor,new_tensor_right],1)#return new_tensor#if (tf.equal(index,0)):#new_tensor_right=tf.slice(tensor, [0, 1], [numlines, numcolunms-1])#new_tensor=tf.concat([columnTensor,new_tensor_right],1)#return new_tensor
sess=tf.Session()
init_op=tf.global_variables_initializer()#print(sess.run(x, feed_dict={x: [[0.7,0.9]]}))
sess.run(init_op,feed_dict={x: [[0.7,0.9],[80.0,90.0]]})print(sess.run((w1,w2)))print(w2)for index in range(5):
index_tensor=tf.constant(index,tf.int32)
new_tensor_left,new_tensor_right,w22=modify_one_column(w2,columnTensor,index_tensor)print(sess.run([new_tensor_left,columnTensor,new_tensor_right,w22]))for index in range(5):
index_tensor=tf.constant(index,tf.int32)
new_tensor_left,new_tensor_right,w2=modify_one_column(w2,columnTensor,index_tensor)print(sess.run([new_tensor_left,columnTensor,new_tensor_right,w2]))#print (sess.run(w2,feed_dict={x: [[0.7,0.9]]}))
要注意的是:for循环中传入的是index_tensor而不是index。也就是定义的所有操作都是符号上的操作。这是写tensorflow计算图要遵循的一个重要原则。
上述第二个代码的for循环会在index=1的时候报错。这是因为index=0的时候,w2还是一个固定shape的Tensor矩阵。但是当执行完一次如下代码以后
new_tensor_left,new_tensor_right,w2=modify_one_column(w2,columnTensor,index_tensor)
w2的shape会变成(2,?),这是因为第一次调用modify_one_column中执行的时候,传入的index_tensor是一个Tensor,就会导致函数体内的new_tensor_left和new_tensor_right等的列数都变成了Tensor,即?,也就导致最后返回的new_tensor的列数也是Tensor,即?。
因此,第二次调用modify_one_column执行的时候,计算numcolunms=tensor.shape[1].value时得到的numcolunms是None。因此程序会报出:
ipdb> ValueError: None values not supported.
三、总结
第一,被修改的tensor矩阵用tf.variable保存,并且指定trainable=false,并且是根据tf.place_holder的数据流构建。这样的话,我们执行
init_op =tf.global_variables_initializer()#print(sess.run(x, feed_dict={x: [[0.7,0.9]]}))
sess.run(init_op,feed_dict={x: [[0.7,0.9],[80.0,90.0]]})
以后就可以将被修改的tensor矩阵与输入之间建立直接的关联。
不用tf.constant的原因是,tf.constant不能根据tf.place_hodler的数据流构建。tf.constant的函数说明如下,可以看到,其不能基于Tensor构建Tensor。
而tf.variable可以基于Tensor构建tensor。也就是接受tensor数据输入,然后variable节点输出tensor数据。(传入的Tensor必须是shape specified。否则不能作为tf.Variable的参数)
第二,如果反复对一个矩阵的列进行修改,正如上述代码第二个for循环,通过反复运算,能够将矩阵的每一列都变成[1,1]。这个时候,要记住,一定要在第一次将被修改矩阵的行数和列数保存下来,而不是每一次在循环体内进行计算。
因为循环体内对矩阵某一列进行修改,实际上是一个只读的操作,也就是取出被修改列前,被修改列后,然后要修改成的列,拼接而成。这样的话,截取这个矩阵的时候,就会导致列数变成了?,也就是不能确定具体多少列。
如此以来,下一次循环体内如果还想计算列数,就比较困难。
为什么会导致这样。这是因为我传入的index就是一个Tensor。也就是矩阵哪一列被修改,我传入的是Tensor。这就导致了tf.slice切片以后的输出矩阵的列数仍然是一个tensor。
为什么我要传入Tensor,而不是一个具体的值。这是因为我有一个任务需求,是根据实际传入的place_holder的input数据的值,去索引tensor矩阵。但是在构建计算图的时候,这个数据是不知道的,是个tensor。所以,我定义的操作都是在符号上进行的。
上述for循环代码修改如下:
def modify_one_column(tensor,columnTensor,index,numlines,numcolunms):#index也是tensor#tensor为二维矩阵#columnTensor的维度就是tensor中的一列
new_tensor_left=tf.slice(tensor, [0, 0], [numlines, index])
new_tensor_right=tf.slice(tensor, [0, index+1], [numlines, numcolunms-(index+1)])
new_tensor=tf.concat([new_tensor_left,columnTensor,new_tensor_right],1)returnnew_tensor_left,new_tensor_right,new_tensorsess=tf.Session()
init_op=tf.global_variables_initializer()#print(sess.run(x, feed_dict={x: [[0.7,0.9]]}))
sess.run(init_op,feed_dict={x: [[0.7,0.9],[80.0,90.0]]})print(sess.run((w1,w2)))print(w2)
numlines=w2.shape[0].value
numcolunms=w2.shape[1].valuefor index in range(5):
index_tensor=tf.constant(index,tf.int32)
new_tensor_left,new_tensor_right,w2=modify_one_column(w2,columnTensor,index_tensor,numlines,numcolunms)print (sess.run([new_tensor_left,columnTensor,new_tensor_right,w2]))
最后一次for循环结束时的输出如下:
可以看到,每一列都依次被修改了。
我们还可以将numlines等具体值也变为tensor,如下:
numlines_tensor=tf.constant(numlines,tf.int32)
numcolunms_tensor=tf.constant(numcolunms,tf.int32)